曹树金　赵浜

DOI.10.3969/j.issn.1008-0821.2021.12.003

[中图分类号]G250.2 [文献标识码]A [文章编号]1008-082l（2021）12-0028-10

知识图谱技术]作为人工智能领域的重要分支，于2012年被Google公司提出后迅速发展，实践成果丰富，已成为目前最高效的知识表示和组织形式之一。知识图谱本质上是以图这种基本结构类型归纳信息的数据表示形式，它是实体和关系构成的大型网络，与特定领域或组织有关。现有许多前沿知识图谱项目，例如DBPedia、YAGO、XLORE都是从维基百科、百度百科等开放数据源中抽取实体和关系而构建的。

知识图谱在学术领域也有广泛应用，典型的包括Microsoft Academic Graph、Springer Nature SciGraph、AMINER（aminer.org），它们主要包含诸如作者、科研机构、研究主题和引用的实体及其之间的关联信息，为学者进行科研关系网络的梳理提供了巨大便利。然而，它们的主要局限性是：上述关联关系都是和学术论文相关的粗粒度信息，而且它们通常将论文的内容表示为非结构化文本（标题、摘要或是全文），没有对论文内容进行更细粒度的抽取和组织，因而无法对知识内容的脉络（如理论发展路径）进行有效梳理。而论文的具体内容才是知识的核心载体。因此，这个领域的一个重大挑战是如何将学术论文中所表述的知识以图谱的形式组织并显陛地表示出来，以描述诸如研究方法、理论模型及影响因素、理论应用及学术贡献等有价值的知识实体及其之间复杂的关系。目前，抽取学术论文中知识实体以及论文中知识实体的关联，乃至论文间知识实体的关联.并以此构建知识图谱的研究较少。……